可视身份深度伪造与检测

被引：4

作者：

彭春蕾 ^{[1
]}

高新波 ^{[2
]}

王楠楠 ^{[1
]}

李洁 ^{[1
]}

机构：

[1] 西安电子科技大学综合业务网理论及关键技术国家重点实验室

[2] 重庆邮电大学重庆市图像认知重点实验室

来源：

中国科学:信息科学 | 2021年 / 51卷 / 09期

关键词：

深度伪造; 人脸替换; 人脸编辑; 表情重演; 人脸生成; 伪造检测;

D O I：

暂无

中图分类号：

TP391.41 [];

学科分类号：

080203 ;

摘要：

随着深度学习技术在视频和图像生成领域的广泛应用,视频和图像中的可视身份伪造,特别是人脸伪造结果的逼真程度越来越高,对于身份伪造数据的检测在国家安全和社会稳定等方面均具有重要的研究和应用价值,近年来已成为研究的热点问题.本文从有目标身份伪造和无目标身份伪造两个方面归纳和介绍了可视身份深度伪造的研究方法,并从基于空域线索、时域线索的面向已知伪造类型检测方法、面向未知伪造类型的泛化能力研究,以及面向对抗样本攻击的可信伪造检测研究等多个方面阐述了伪造检测的关键技术,并在总结现有数据集和代表性算法的性能分析基础上,进一步讨论了可视身份深度伪造与检测的关键问题和面临的挑战.

引用

页码：1451 / 1474

页数：24

共 33 条

[1] 生成对抗网络GAN综述 [J].

梁俊杰 ;

韦舰晶 ;

蒋正锋 .

计算机科学与探索, 2020, 14 (01) :1-17

[2] 深度伪造对国家安全的挑战及应对 [J].

龙坤 ;

马钺 ;

朱启超 .

信息安全与通信保密, 2019, (10) :21-34

[3] 深度伪造技术的法律挑战及应对 [J].

曹建峰 .

信息安全与通信保密, 2019, (10) :35-40

[4] 5种流行假脸视频检测网络性能分析和比较 [J].

高逸飞 ;

胡永健 ;

余泽琼 ;

林育仪 ;

刘琲贝 .

应用科学学报, 2019, 37 (05) :590-608

[5] 生成对抗网络GAN综述 [J].

程显毅 ;

谢璐 ;

朱建新 ;

胡彬 ;

施佺 .

计算机科学, 2019, 46 (03) :74-81

[6] 深度学习中的对抗样本问题 [J].

张思思 ;

左信 ;

刘建伟 .

计算机学报, 2019, 42 (08) :1886-1904

[7] 多媒体取证 [J].

杨锐 ;

骆伟祺 ;

黄继武 .

中国科学:信息科学, 2013, 43 (12) :1654-1672

[8] 可信计算的研究与发展 [J].

沈昌祥 ;

张焕国 ;

王怀民 ;

王戟 ;

赵波 ;

严飞 ;

余发江 ;

张立强 ;

徐明迪 .

中国科学:信息科学, 2010, 40 (02) :139-166

[9] Realistic Speech-Driven Facial Animation with GANs [J].

Konstantinos Vougioukas ;

Stavros Petridis ;

Maja Pantic .

International Journal of Computer Vision, 2020, 128 :1398-1413

[10]

You Said That?: Synthesising Talking Faces from Audio[J] . Amir Jamaludin,Joon Son Chung,Andrew Zisserman.International Journal of Computer Vision . 2019 (11-1)

← 1 2 3 4 →